Governança e Cultura de Dados (06-2024)

Trabalho apresentado para obtenção do título de especialista em
Gestão e Transformação Digital – 2024
Governança e Cultura de Dados de uma empresa automotiva: evolução dos últimos 10

anos e novas medidas de amadurecimento
Nícolas Estevan Padovani Martins¹*; Bruno de Lima Santoro2

1
Engenheiro de Computação e Analista de Sistemas Sênior (Data & Analytics). Rua Doutor Jose Aleixo Irmão,
185 – Residencial Vila Azul; 18087-571 Sorocaba, São Paulo, Brasil
2
Universidade de São Paulo (MBA ECA USP). Professor Doutor e orientador. Avenida Prof. Lúcio Martins
Rodrigues, 443 – Butantã; 05508-020 São Paulo, São Paulo, Brasil
*autor correspondente: [email protected]
1
Governança e Cultura de Dados de uma empresa automotiva: evolução dos últimos 10

anos e novas medidas de amadurecimento
Resumo
O presente artigo investigou a evolução da maturidade em dados e governança de

uma empresa automotiva, destacando a importância de adaptar-se a era digital para manter
sua competitividade. O objetivo foi analisar o progresso do amadurecimento da empresa nos
últimos 10 anos e, portanto, auxiliar a identificação e priorização de novas medidas de
amadurecimento com relação a estratégia atual de dados, respondendo às demandas
econômicas do setor automotivo e preparando a empresa para tecnologias emergentes.
Deste modo, a pesquisa realizou-se por meio do método de estudo de caso, combinando
abordagens qualitativas e quantitativas, empregando ferramentas de autoavaliação de
maturidade em dados, como o Data Maturity Benchmark (Google & Deloitte), PwC Data &
Analytics Assessment e Data Maturity Assessment (Data.org). Os principais resultados
mostraram avanços significativos na governança de dados, cultura e qualidade dos dados,
com destaque para a expansão da estrutura de governança e adoção de programas de
empoderamento de dados. A conclusão ressaltou a necessidade de focar na arquitetura e
qualidade dos dados, propondo, portanto, uma arquitetura federativa para facilitar a
integração de dados entre sistemas e respeitar a soberania dos dados.
Palavras-chave: Transformação digital. Maturidade em dados. Qualidade de Dados.

Tecnologias emergentes. Arquitetura federativa.
Data Governance and Culture in an automotive company: the evolution of the last 10
years and new maturity measures
Abstract
This article investigated the evolution of data maturity and governance in an

automotive company, highlighting the importance of adapting to the digital era to maintain
competitiveness. The objective was to analyze the progress of the company's maturation
over the last 10 years and therefore facilitate the identification and prioritization of new
measures to mature its current data strategy, responding to the economic demands of the
automotive sector and preparing the company for technologies emerging. Therefore, the
research was carried out using the single case study method, combining qualitative and
quantitative approaches, using data maturity self-assessment tools, such as the Data
Maturity Benchmark (Google & Deloitte), PwC Data & Analytics Assessment and Data
Maturity Assessment (Data.org). The main results showed significant advances in data
governance, culture and data quality, with emphasis on the expansion of the governance
structure and adoption of data empowerment programs. The conclusion highlighted the need
to focus on data architecture and quality, therefore proposing a federative architecture to
facilitate data integration between systems and respect data sovereignty.
Keywords: Digital transformation. Data maturity. Data quality. Emerging technologies.

Federative architecture.
2
Introdução
Podemos afirmar que o atual cenário digital gera um impacto significativo na criação de novos
modelos de negócios e na administração de organizações. Segundo Gabriel (2020, p.224), “quanto
mais digitalizado e interconectado o mundo estiver, maior o potencial de plataformas que
podem se formar, transformando cada vez mais a estrutura social, econômica,
governamental, educacional, profissional e de negócios em geral.” Consequentemente as
transformações estão acontecendo de maneira tão rápida que a existência de muitas organizações pode
estar em risco, caso não se adaptem à era digital, pois assim como nas interações sociais e pessoais,
mudanças ocorrem nas relações organizacionais, internas e externas. De acordo com Rogers
(2017), as novas tecnologias digitais transformaram o modo como nos conectamos com os
clientes e lhes oferecemos valor e em face de tudo isso, forças digitais estão reformulando
cinco domínios fundamentais da estratégia: clientes, competição, dados, inovação e valor. O
domínio de Dados se destaca pela sua relevância e impacto, pois os dados são gerados continuamente
à medida que os clientes e outros agentes econômicos interagem, e esses dados podem se transformar
em ativos de negócio valiosos. Além disso, na era digital, as formas de produção e valor
passam a depender de dados e assim inaugura-se uma economia de dados na qual o valor
se encontra na capacidade de extração, manipulação e transformação em algo relevante
para a sociedade. (GABRIEL, 2020).
A imensa quantidade de dados gerados na era da revolução dos dados, conhecida como Big
Data, abre um leque de oportunidades para serem usados como um ativo competitivo. Esses dados,
provenientes de diversas fontes como redes sociais, comportamento dos clientes e a internet das
coisas, são processados e armazenados na nuvem, usando técnicas computacionais avançadas.
Entretanto os desafios mais significativos são gerenciais, incluindo a busca por profissionais com as
competências adequadas, a integração de equipes de diferentes áreas, a incorporação de parceiros
externos e a garantia da capacidade de utilização adequada dos dados processados e armazenados
(ROGERS, 2017). Dados devem ser reconhecidos como recursos essenciais para o êxito das funções
operacionais e gerenciais das organizações, e não como resíduos processuais. Caso a empresa não
possua capacidade de extrair valor da interpretação de informações através de práticas de Data &
Analytics, não será capaz de gerir seus negócios por muito tempo na era digital.
Segundo Gabriel (2022), dados são uma questão crítica para a adoção de tecnologias
emergentes, já que muitos processos não conseguem ser implementados na prática por existirem
problemas como indisponibilidade, inexistência, má qualidade, organização, entre outros, o que revela
a importância da governança de dados. Davenport (2014) revela que a implementação bem-
sucedida de Big Data requer uma abordagem integrada que inclua a governança de dados,
a colaboração entre departamentos e o apoio contínuo da alta administração. Esses fatores
garantem que os projetos de Big Data gerem valor sustentável para a organização.
3
A cultura data-driven de uma organização pode ser vista como um problema ou uma
solução complexa já que quando uma missão de dados não está alinhada à estratégia de
negócios e do núcleo operacional, não deve ser surpresa que os resultados das iniciativas
de análise podem não corresponder às expectativas, mas quando o entusiasmo pela análise
de dados impregna toda a organização, torna-se uma fonte de energia e impulso (DÍAZ;
ROWSHANKISH; SALEH, 2018). Assim, de acordo com Davenport (2014), embora as
questões tecnológicas possam construir um fator complicador, as questões mais difíceis
envolvem a gestão e as pessoas. Algumas destas questões são tão novas, que para elas,
ainda não existem soluções, enquanto para outras vislumbra-se diversas opções e assim
embora a tecnologia seja crucial, o sucesso de uma cultura de dados depende em grande
parte das pessoas que trabalham com ela. Cientistas de dados, analistas e outros
profissionais devem ser capacitados para extrair valor dos dados e apoiar a tomada de
decisões baseada em dados. Ainda segundo Davenport (2014) para engajar o uso efetivo de
dados, as empresas precisam de uma estratégia bem definida que alinhe os objetivos de
negócios com as capacidades tecnológicas. Isso envolve a contratação de talentos
especializados e a implementação de novas tecnologias e processos.
Neste sentido, a escolha do tema deste trabalho se baseou na importância crescente
da governança de dados e da cultura data-driven em um mundo cada vez mais digital. A
empresa automotiva em questão, com mais de 100 anos de história, ofereceu um estudo de
caso único de transformação digital uma vez que esta organização, que surgiu na era pré-
digital, conseguiu se adaptar às exigências da era digital, através de uma robusta
governança de dados e do desenvolvimento de uma cultura data-driven. A análise dessa
jornada permitiu entender como a governança de dados e a cultura orientada por dados
podem impulsionar a transformação digital, além de fornecer insights sobre os desafios e
oportunidades enfrentados por empresas tradicionais ao se reinventarem. Ao examinar
esses aspectos, este estudo não apenas iluminou a trajetória de transformação nos últimos
10 anos, mas também ofereceu estratégias significativas para outras organizações que
buscam de maturidade digital.
Este artigo teve como objetivo estudar a evolução e transformação da governança e
cultura de dados de uma empresa automotiva ao longo dos últimos 10 anos, em vista de
obter insights que possam auxiliar a mesma na tomada de novas medidas estratégicas de
amadurecimento. Isso se faz importante para que a empresa esteja apta a responder as
novas necessidades econômicas do setor de automotivo que demandam mais do que nunca
da capacidade de processar e compreender dados, e ainda estar preparada para novas
tecnologias emergentes que estão por vir.
4
Referencial teórico
Os principais temas abordados neste artigo, foram brevemente contextualizados, e

embasados por meio de artigos, livros e dados públicos.
De acordo com uma publicação realizada pela OCDE (2020), as tecnologias digitais
possibilitam aumentar a produtividade nas empresas na era digital, e assim, impulsionar a
atividade econômica em diferentes setores. Canais digitais podem potencializar a divulgação
dos produtos e serviços das empresas, elevando sua capacidade de negócios. Ao aderir a
transformação digital, muitos são os desafios específicos que diferentes setores enfrentam
em suas atividades econômicas. Kotler, Kartajaya e Setiawen (2017) afirmam que em um
mundo cada vez mais caracterizado pela alta tecnologia, a interação de envolvimento
profundo está se tornando a nova diferenciação. Segundo Rogers (2017), no contexto atual
de mudanças rápidas na tecnologia e nas necessidades dos clientes, as empresas não
podem mais se basear apenas no valor que lhes trouxe sucesso anteriormente, pois mesmo
empresas altamente bem-sucedidas da era pré-digital, enfrentam dificuldades para adaptar
seu pensamento estratégico visando prosperar e crescer na era digital. É essencial,
portanto, que as organizações se adaptem continuamente para atender melhor aos clientes,
solucionar novos problemas, identificar novas oportunidades e oferecer valor de forma que
as empresas possam continuar a ser a escolha preferida dos clientes.
Thomson e Anderson (2020) enfatizam que a era digital apresenta desafios e
oportunidades sem precedentes para as organizações na gestão e governança eficaz de
seus ativos de dados. A implementação de práticas robustas de governança de dados é
crucial para garantir a integridade, segurança e conformidade dos dados, especialmente
diante do aumento das exigências regulatórias e da evolução dos padrões da indústria. Essa
abordagem fundamental capacita as organizações a tomarem decisões informadas,
identificar tendências e impulsionar a inovação com base em dados precisos e confiáveis.
Nos últimos dez anos, as empresas de fornecimento automotivo enfrentaram uma

série de desafios complexos e interconectados. A pandemia de COVID-19 1 gerou
interrupções severas nas cadeias de suprimentos, resultando em escassez de componentes
críticos e paralisações na produção. (ALVES, 2021). A crise dos semicondutores,
intensificada pela pandemia e tensões comerciais, potencializou a escassez de
microeletrônicos, impactando significativamente a produção automotiva (WU; ZHANG; DU,
1
“Em 30 de janeiro de 2020, a OMS decretou a COVID-19 como uma Emergência de Saúde Pública de
Importância Internacional (ESPII), o mais alto nível de alerta da Organização, conforme previsto no Regulamento
Sanitário Internacional. No dia 11 de março de 2020, o diretor-geral da OMS, anunciou que a COVID-19 estava
caracterizada como uma pandemia.” (OPAS - Organização Pan-Americana da Saúde. Disponível em:
<https://www.paho.org/pt>. Acesso 29 mai. 2024).
5
2021). Além disso, o surgimento de novos competidores e a necessidade de investimentos

em tecnologias para veículos elétricos aumentaram a pressão sobre as empresas para
inovarem e se adaptarem rapidamente (WEN et al., 2021). Esses fatores destacam a
importância da resiliência e diversificação nas operações das cadeias de suprimentos
automotivas para enfrentar os desafios atuais e futuros (ELDEM; KLUCZEK; BAGINSKI,
2022). A governança eficaz de dados é crucial para que as organizações possam tomar
decisões informadas e baseadas em dados, o que, por sua vez, otimiza processos de
negócios, melhora a eficiência operacional e promove a inovação. Além disso, uma
governança eficiente de dados ajuda as organizações a enfrentarem os crescentes desafios
de conformidade, segurança e privacidade, que se intensificam à medida que a quantidade
de dados cresce e se torna mais complexa (HARRIS; DAVENPORT, 2017).
Segundo Ciuriak (2018), no cenário atual da economia digital, os dados se destacam
não apenas como um simples subproduto das transações, mas como um recurso
fundamental que impulsiona a inovação e a geração de valor. A importância dos dados
nessa economia digitalizada é diversificada: eles funcionam como meio para transações
digitais, representam ativos intangíveis de capital e constituem a infraestrutura essencial
para uma economia cada vez mais digital. Essa visão redefine a compreensão tradicional de
ativos, colocando os dados no centro da criação de riqueza e inovação. Logo, as mudanças
estruturais causadas pelo grande volume de dados, conhecidas como Big Data, têm
impactado significativamente o campo científico e as organizações. Isso se reflete na
demanda crescente por profissionais qualificados para a governança desses dados
(RODRIGUES; NÓBREGA; DIAS, 2017).
Para implementar métodos eficientes de gestão, é essencial contar com diretrizes
sólidas e práticas bem definidas. O Data Management Body of Knowledge (DMBOK), é um
dos frameworks mais conhecidos, desenvolvido pela Data Management Association
(DAMA), e oferece um guia abrangente e integrado para a governança de dados, cobrindo
aspectos como planejamento, governança, arquitetura, segurança e qualidade como por
exemplo o DAMA Wheel, ou "Roda do DAMA", que sistematiza as áreas fundamentais
delineadas pelo DMBOK em onze disciplinas essenciais. A Governança de Dados ocupa
uma posição central, refletindo sua importância na coordenação das atividades, enquanto as
demais disciplinas giram em torno desta governança, prontas para serem implementadas
conforme as necessidades e a maturidade da organização. O Hexágono dos Fatores
Ambientais enfatiza a importância das relações entre pessoas, processos e tecnologia para
o sucesso na execução da governança de dados dentro das empresas (DMBOK, 2017). Além
do DAMA-DMBOK, outros frameworks são amplamente conhecidos, como o DataFlux, que
foca na integração e qualidade dos dados, proporcionando soluções para a padronização e
6
limpeza dos dados (DataFlux Corporation, 2024), e o COBIT (Control Objectives for
Information and Related Technologies), criado pela ISACA (Information Systems Audit and
Control Association), que fornece para além da gestão de dados, um modelo para a
governança de TI. (ISACA, 2019).
Uma empresa de cultura data-driven é um ambiente organizacional com uma
liderança definida e uma visão comum, em que as metas são transparentes, os KPIs
(Indicadores de performance) são claros, objetivos e os índices de desempenho estão ao
alcance de todos. Nesse contexto, todos os membros da equipe compreendem como as
suas tarefas individuais impactam o objetivo coletivo da organização (CARL, 2020). Logo, os
que estão envolvidos no processo organizacional utilizam dados para orientar suas tomadas
de decisão, baseadas em previsões e insights fornecidos por dados (HANNILA, 2019). A
liderança dentro das empresas desempenha um papel fundamental no estabelecimento de
uma cultura organizacional guiada por dados, o que pode ser desafiador em organizações
com tradições enraizadas ao longo dos anos. A mudança cultural não deve ser percebida
como um processo qualquer, mas sim como uma jornada contínua que requer entendimento
e respeito pela cultura pré-existente. Tentativas de impor mudanças radicais em um curto
período podem ser disruptivas e até mesmo traumáticas para a organização (WAGNER;
HOLLENBECK, 2020).
Material e Métodos
O método de estudo de caso do tipo caso único foi o escolhido para realização da
pesquisa, o que permitiu um aprofundamento detalhado sobre o objeto de estudo.
Essa abordagem, reconhecida como uma das técnicas da pesquisa qualitativa, tem
se destacado no campo das pesquisas acadêmicas (STAKE, 2013). Isso se deve à sua
ampla aplicabilidade e à capacidade de investigar e interpretar diferentes fenômenos. O
estudo de caso, em particular, pode oferecer uma contribuição única para a compreensão.
Assim, esta metodologia busca responder a perguntas como, "como?" e "por quê?" com o
objetivo de entender e compreender situações problemáticas, obstáculos e até casos de
sucesso (MARTINS, 2008).
Para ajudar na delimitação do tema, realizou-se um recorte temporal, buscando
comparar dois momentos distintos do objeto estudado, em um intervalo de 10 anos (um
período que se justificou devido acontecimentos macro e micro ambientais significativos
para a organização); e através da coleta de dados qualitativos e quantitativos, realizar
análises isoladas e comparativas entre os períodos, a fim de identificar quais medidas
contribuíram para as mudanças percebidas, e por fim, com suporte deste, identificar
possibilidades de novas medidas que ainda podem ser implementadas, com base nos
7
materiais disponíveis na literatura acerca do assunto. A prática de examinar dados

passados é essencial para a tomada de decisões informadas. Como exemplificado no
estudo de Langlois (2003), a análise da evolução da indústria de semicondutores
demonstrou que o entendimento histórico das mudanças tecnológicas e organizacionais
permitiu às empresas antecipar tendências e adaptar suas estratégias de inovação.
O objeto escolhido para este estudo de caso foi uma empresa multinacional de
tecnologia automotiva fundada em meados do século XX que fornece produtos e sistemas
avançados para a mobilidade de automóveis, veículos comerciais e tecnologia industrial. A
empresa eletrifica veículos de várias categorias, contribuindo com seus produtos para a
redução das emissões, proteção do clima e aumento da segurança na mobilidade. Além das
áreas automotivas de veículos de passeio e comerciais, a empresa atende a segmentos de
mercado como máquinas de construção e agrícolas, energia eólica, navegação, tecnologia
ferroviária e sistemas de teste. Em 2023, com cerca de 170.000 colaboradores no mundo
inteiro, obteve vendas de quase 50 bilhões de euros, estando presente em
aproximadamente 150 unidades de produção e em mais de 30 países. Sua sede principal
está localizada na Europa, na região dos países baixos, proporcionando uma vantagem
estratégica devido à proximidade com os principais mercados automotivos da região.
O time de tecnologia da informação da empresa é vasto e distribuído globalmente, o
que reflete a importância estratégica da inovação e diversidade. Composto por milhares de
engenheiros, cientistas e especialistas em tecnologia, esse time está localizado em centros
tecnológicos na Europa, América do Norte, Ásia e América do Sul, formando uma rede de
conhecimento que opera quase 24 horas por dia. A empresa, combinou suas técnicas de
engenharia avançada europeia com a cultura empresarial norte-americana, após um
significativo processo de fusão e aquisição, que ampliou sua capacidade tecnológica e
cultural. Esse enfoque estratégico permite à empresa responder eficazmente às demandas
do mercado automotivo em constante evolução, mantendo-se à frente das tendências e
desafios emergentes da indústria.
O setor de fornecimento de suprimentos automotivo enfrenta desafios complexos,
parcialmente causados devido aos impactos da pandemia de COVID-19, que causou
interrupções nas cadeias de suprimentos e mudanças na demanda do consumidor, e a crise
de semicondutores, que limitou a produção e aumentou os custos, além de impactos de
conflitos globais entre países. Além disso, a competição crescente na eletrificação exige
investimentos significativos em tecnologias de veículos elétricos e infraestrutura de
carregamento, enquanto novas tecnologias emergentes, como veículos autônomos e
conectividade, demandam inovação constante, entretanto visando ROI a longo prazo.
Assim, a empresa estudada precisa se adaptar a capacidade de inovar, construir cadeias de
8
suprimentos resilientes e competir globalmente enquanto garante uma gestão assertiva e

transparente dos recursos financeiros, giro de estoque, previsibilidade de demanda e oferta,
além de regulamentações ambientais mais rigorosas e às expectativas dos consumidores
por práticas sustentáveis e responsabilidade social, sendo estes fatores cruciais para
manter-se pioneira no segmento nos próximos anos.
Uma vez que os fatores acima citados são cruciais, as necessidades estratégicas da
empresa necessitaram refletir ao resto da estrutura, dando luz ao tema central que
compõem esta pesquisa: Governança e Cultura de Dados. Apesar da empresa já possuir,
relativamente, uma maturidade em dados, frente ao recorte temporal de 10 anos atrás, é de
comum compreensão que ainda existem medidas e estratégias de dados a serem adotadas
que pretendam impulsionar a empresa a atingir o próximo nível de maturidade, estando apta
a atender as demandas estratégicas mencionadas.
Um exemplo recente de motivação pela busca do amadurecimento da governança e
cultura dos dados da empresa, é a necessidade de integração colaborativa com a CATENA-
X; um ecossistema de dados integrado para a cadeia de valor automotiva em uma espécie
de nuvem privada, padronizando e compartilhando dados entre empresas para melhorar
eficiência, sustentabilidade e inovação. Fazem parte do grupo, renomadas organizações
como Volkswagen, Mercedes-Benz, BMW, Schaeffler, Siemens, T-Systems, Henkel, Basf e
SAP; portanto, participar desta iniciativa colaborativa de dados é suma relevância para a
empresa estudada. Não só novas iniciativas como CATENA-X, mas outras interfaces
colaborativas de dados, já consolidadas entre clientes e fornecedores, tendem cada vez
mais serem dinâmicas, instáveis e sedentas por previsibilidade assertiva, recebimento de
ordens de vendas, planejamentos de veículos produzidos, logo planejamento da demanda
de suprimentos, e ainda planejamento produtivo da cadeira de produção, sem mencionar
controle financeiro, previsibilidade de custos e tantos outros, todos estritamente
dependentes de dados e a capacidade de gerar valor através deles.
Uma vez que fatores externos demandaram mudanças econômicas do setor
automotivo, impactos foram gerados dentro das organizações, que passaram a depender
ainda mais de estratégias, decisões e processos suportados por dados. Deste modo, são
necessárias adoções de medidas que busquem atingir um nível de maturidade de
governança e cultura de dados maior que o atual. Para isso, optou-se por observar trajetória
da empresa na última década, a fim de compreender quais medidas já foram tomadas, e
principalmente quais podem ser as próximas.
Para a elaboração deste artigo, foram organizados grupos focais, que segundo
Kitzinger (2000), caracteriza-se como uma técnica de pesquisa qualitativa que se origina das
entrevistas em grupo e coleta dados por meio das interações entre os participantes; ou seja,
9
o grupo focal é uma forma de entrevista grupal que se baseia na comunicação e interação
entre os membros. Seu objetivo principal é obter informações detalhadas sobre um tópico
específico, proposto por um pesquisador, coordenador ou moderador do grupo. Essa técnica
visa captar percepções, crenças e atitudes sobre um tema, produto ou serviço.
Deste modo, a primeira etapa consistiu em definir quais cortes temporais da história
recente da empresa seriam avaliados e como seriam coletados os dados indicadores de
maturidade de governança e cultura de dados das respectivas datas. Optou-se, portanto,
por um intervalo de 10 anos, compreendido como relevante para o objetivo proposto,
conforme experiências do próprio pesquisador que esteve presente como observador e
eventualmente como ator no processo de transformação da empresa durante o período.
Neste sentido, cabe classificar este estudo, também como uma pesquisa
participante, pois como o próprio nome sugere, segundo Harguette (2001), implica
necessariamente a participação, tanto do pesquisador no contexto, grupo ou cultura que
está a estudar, quanto dos sujeitos que estão envolvidos no processo da pesquisa.
O primeiro recorte definido foi o ano de 2014, avaliado sob uma óptica retroativa da
empresa e o segundo recorte foi o ano 2024, avaliado conforme o contexto atual.
Consequente, a segunda etapa foi estabelecer por meio de quais ferramentas seriam
realizadas as avaliações da maturidade em dados a fim de coletar dados para análise.
Optou-se incialmente por analisar avaliações realizas por órgãos externos de auditorias
especializadas, o que não foi possível por estar fora do alcance de acesso do pesquisador.
No entanto, a fim de não impedir a realização do estudo de caso, resolveu-se por utilizar
ferramentas de autoavaliação de maturidade disponibilizadas publicamente por empresas de
auditoria e tecnologia reconhecidas mundialmente, garantindo parcialmente a qualidade nos
resultados obtidos, seguindo padrões de mercado.
Assim, foram selecionadas três ferramentas, sendo elas a Data Maturity Benchmark,
disponibilizada pela Google em parceira com a Deloitte, a PwC Data & Analytics
Assessement, disponibilizada pela PwC e a Data Maturity Assessment, disponibilizada pela
Data.org. A razão pela escolha de múltiplas ferramentas de autoavaliação foi a de obter um
volume maior de dados, com dimensões diversificadas, visando tornar a análise dos dados
mais rica. Vale ressaltar que em relação a ferramenta Data Maturity Benchmark, foram
considerados somente os resultados referentes a direção estratégica e bases de dados,
uma vez que outras dimensões não possuem relevância para a pesquisa.
Criada com base em um estudo realizado em 2018 pela Deloitte com mais de 60
especialistas, a ferramenta da Data Maturity Benchmark disponibilizada pela Google
classifica seus resultados numericamente, de 1 a 4 conforme a Tabela 1.
10
Tabela 1 – Classificação do “Data Maturity Benchmark” (Google & Deloitte)
Classificação Descritivo
Possui ferramentas básicas, mas enfrenta desafios culturais para

1 - Nascente
abraçar verdadeiramente a tomada de decisões apoiada em dados.
2 – Em Capaz de gerar valor a partir de dados em alguns setores de seus
desenvolvimento negócios, mas não tem é capaz de obter os melhores retornos.
A tomada de decisão é baseada em dados, e é padrão em grande

3 - Maduro
parte dos negócios.
Vê os dados como parte integrante do alcance de seus objetivos

4 – Principal
estratégicos e experimenta projetos e tecnologias inovadoras
(Liderando)
orientadas a dados que ajudam a impulsionar o setor.
Fonte: Data Maturity Benchmark (2024)
Criada a partir da própria estrutura de estratégia de dados, a ferramenta PwC Data &
Analytics Assessement da PwC consiste em cinco dimensões de avaliação: Governança de
Dados, Pessoas e Cultura, Segurança de Dados e Privacidade, Arquitetura de Dados e
Qualidade, e Processamento de Dados e Ferramentas, conforme Figura 1, e seus
resultados classificatórios são representados numericamente, onde 0 representa o nível
Básico, 1 representa o nível Fundamental, 2 representa o nível Avançado, e 3 representa
Future-oriented, que em português significa orientado pelo futuro.
11
Figura 1 – Estratégia de Dados da PwC
Fonte: PwC Data & Analytics Assessement (2024)
A ferramenta Data Maturity Assessment da Data.org, é a mais completa de todas

pesquisa por possuir um número maior de dimensões avaliadas. Os resultados
classificatórios são representados numericamente de 0 a 10 conforme a Tabela 2, e são
distribuídos em três grupos e subgrupos: Propósito (aplicação, análise e estratégia), Prática
(qualidade, segurança, responsabilidade e infraestrutura) e Pessoas (liderança, talento e
cultura).
12
Tabela 2 – Classificação do “Data Maturity Assessment” (Data.org)
Classificação Descritivo
1–2 Começou a jornada de dado e está pronta para estabelecer

Curioso por Dados uma base sólida para causar impacto.
2–4
Começou a aproveitar o poder dos dados para causar impacto.
Informado por Dados
4–6 Usa os dados de maneira eficaz para causar impacto e cumprir

Guiado por Dados sua missão.
6–8 Prática de dados está estabelecida, com impacto claramente

Orientado por Dados observado e relatado.
9 – 10
Prática de dados é bem desenvolvida e forte, integralmente.
Liderado por Dados
Fonte: Data.org (2024)
A terceira etapa deste estudo de caso constituiu em coletar os dados qualitativos e

quantitativos a partir das ferramentas estabelecidas, e através da organização de grupos
focais com colaboradores da empresa que estiveram presentes via videochamadas, durante
o período estudado, possibilitando conversas e autoavaliações através das ferramentas
selecionadas.
Após a coleta, os resultados foram consolidados e analisados para observar-se as
variações mais relevantes entre os anos analisados, compreender os fenômenos e por fim
identificar quais as possíveis novas medidas a serem adotadas, conforme a literatura
atualizada do tema discutido.
Resultados e Discussão
Foram identificados 7 colaboradores atuantes na organização para integrar os
grupos focais, estes com diferentes perfis, presentes na empresa em ambos os períodos
analisados (e durante), possibilitando realizar o processo de autoavaliação de cada uma das
ferramentas em conjunto.
Realizaram-se duas sessões virtuais com duração aproximada de 1 hora e 30
minutos cada uma. A primeira realizada no dia 27 de maio de 2024, dedicada a discutir a
percepção de maturidade em dados da empresa em 2014 e realizar as autoavaliações sob
esta perspectiva. A segunda sessão, realizada no dia 29 de maio de 2024, seguindo a
mesma dinâmica, desta vez sob a óptica do período atual.
13
Todos os participantes foram informados sobre a coleta de dados quantitativos

durante as discussões, os quais autorizaram desde que mantida a confidencialidade dos
participantes e dados confidenciais da empresa. As sessões foram realizadas remotamente
através do Microsoft Teams, e não foram gravadas pois não foi autorizado.
O perfil de cada um dos colaboradores participantes foi descrito brevemente para
contextualização conforme a Tabela 3.
Tabela 3 – Perfis dos participantes selecionados

Participantes Função
Brasileiro. Desde 2011 na empresa. Especialista SAP (BW, ABAP,
Analista de Sistemas
BPC, Analytics Cloud e Datasphere). Experiência regional e
Sênior
global.
Analista de Sistemas Indiano. Desde 2009 na empresa. Especialista Microsoft (SQL
Sênior Server, Power Platform, Power BI).
Brasileira. Desde 2014 na empresa. Especialista em visualização
Analista de Sistemas
de dados (Microsoft Power BI, SAP Analytics Cloud e Datasphere).
Pleno
Obs.: trabalhou os 6 primeiros anos na área de qualidade.
Brasileira. Desde 1997 na empresa. Especialista SAP (ECC/ERP,

Especialista de Dados
BW, ABAP, Analytics Cloud e Datasphere).
Europeu. Desde 2006 na empresa. Especialista SAP (BW,

Arquiteto de Dados Datasphere, SAC). Responsável pela arquitetura de dados por
todo o período.
Supervisor de TI Europeu. Desde 2009 na empresa. Especialista SAP (BW, BPC,

(Data & Analytics) Planning). Gerente há 4 anos.
Gerente de TI Indiano. Desde 2009 na empresa. Especialista SAP (BW, BPC,

(Data & Analytics) Planning). Gerente há 4 anos.
Fonte: Criado pelo autor (2024)
As sessões foram divididas em dois momentos, sendo os primeiros 30 minutos

dedicados a contextualização do cenário da empresa no respectivo corte temporal, e os
outros 60 minutos para realização das autoavaliações através das ferramentas mencionadas
(dedicado aproximadamente 20 minutos para cada). Ainda, para auxiliar na contextualização
do período avaliado, foram apresentados em ambos os encontros o relatório anual público
14
da empresa dos anos de 2014 e 2024, nas respectivas sessões, especialmente útil para
contextualização de 2014.
Os dados quantitativos gerados pelas ferramentas durante os grupos focais, foram
coletados e transcritos em formato de tabela: Google & Deloitte (Tabela 4), PwC (Tabela 5),
e Data.org (Tabela 6). Os materiais originais obtidos através das ferramentas estão
disponíveis no Anexo 1 (Google & Deloitte), Anexo 2 (PwC), e Anexo 3 e Anexo 4 (Data.org).
Tabela 4 - “Data Maturity Benchmark” (Google & Deloitte) – 2014 x 2024

Dimensões 2014 2024
1.5 2.9
Resultado Geral
Em desenvolvimento Madura
1.7
Média Industrial (referência) -
Em desenvolvimento
4.0
Melhor da Indústria (referência) -
Principal / Liderando
Tabela 5 - “PwC Data & Analytics Assessement” (PwC) – 2014 x 2024

Cultura e Pessoas 1.5 2.0
Segurança de Dados e Privacidade 2.5 3.0
Arquitetura de Dados e Qualidade 1.0 1.5
Processamento de Dados e
1.0 2.0
Ferramentas
Governança de Dados 1.0 3
1.4 2.3
Média
Fundamental Avançado
15
Tabela 6 - “Data Maturiry Assessment” (Data.org) – 2014 x 2024

5.7 6.8
Propósito
Guiado por Dados Dirigido por Dados
Aplicação 6.7 6.9
Análise 3.8 6.3
Estratégia 6.7 7.5
7.0 7.9
Prática
Dirigido por Dados Dirigido por Dados
Qualidade 1.7 6.3

Segurança 9.0 9.0
Uso Responsável 7.2 5.3
Infraestrutura 8.0 10.0
4.4 7.1
Pessoas
Guiado por Dados Dirigido por Dados
Liderança 6.3 6.3

Talento 5.0 7.5
Cultura 1.9 7.5
5.8 7.4
Pontuação Geral
Guiado por dados Orientado por dados
Para análise conjunta das dimensões geradas a partir das três ferramentas foi
necessário transformar a classificação numérica em classificação percentual, a fim de
harmonizar a classificação de todas as dimensões, conforme Tabela 7. Para isso foi
calculado o percentual das classificações obtidas, sob o a classificação total para cada um
dos anos. Vale ressaltar que nesta versão consolidada, foram removidas as dimensões de
avaliação geral uma vez que nada contribuem ou indicam em análises detalhadas. Por fim,
foi calculada a variação de classificação entre os anos, e ordenada decrescentemente, a fim
de guiar a identificação de quais dimensões variaram com maior destaque, e quais não
mudaram ou regrediram, e compreender os fenômenos com base na literatura de referência.
16
Tabela 7 – Variação dos dados quantitativos (consolidado) – 2014 x 2024
Ferrament
Dimensão 2014 2024 Variação
a
33,33 100,00
PwC Governança de Dados 66,67%
% %
19,00
Data.org Cultura 75,00% 56,00%
%
17,00
Data.org Qualidade 63,00% 46,00%
%
33,33
PwC Processamento de Dados e Ferramentas 66,67% 33,33%
%
44,00
Data.org Pessoas 71,00% 27,00%
%
50,00
Data.org Talento 75,00% 25,00%
%
38,00
Data.org Análise 63,00% 25,00%
%
80,00 100,00
Data.org Infraestrutura 20,00%
% %
33,33
PwC Arquitetura de Dados e Qualidade 50,00% 16,67%
%
83,33 100,00
PwC Segurança de Dados e Privacidade 16,67%
% %
50,00
PwC Cultura e Pessoas 66,67% 16,67%
%
67,00
Data.org Estratégia 75,00% 8,00%
%
90,00
Data.org Segurança 90,00% 0,00%
%
63,00
Data.org Liderança 63,00% 0,00%
%
72,00
Data.org Uso Responsável 53,00% -19,00%
%
Constatou-se que as sete dimensões que mais tiveram progresso nos últimos 10
anos (em destaque na cor verde na coluna Variação da Tabela 7) foram, em geral, todas as
que tiveram pior avaliação no ano de 2014 e destas, quatro delas obtiveram um nível de
maturidade acima de 70%. Por outro lado, verificou-se que as quatro dimensões que tiveram
nível mais baixo de variação são aquelas que tiveram, em geral, melhor avaliação no ano de
2024, isso porque já estavam maduras anteriormente, com exceção da dimensão de Uso
Responsável, que foi a única dimensão com avaliação de nível de maturidade regredido a
ser compreendido.
Para compreender os fenômenos que contribuíram para os principais fatores

apontados e então confrontá-los conforme a literatura, dados qualitativos foram coletados
17
durante a realização das sessões, baseados em comentários e fatos relatados pelos

participantes, que vieram à tona durante a realização das autoavaliações de cada uma das
ferramentas, não havendo perguntas específicas designadas aos participantes, mas sim
dados gerados organicamente. Estes dados foram úteis para auxiliar na compreensão de
cada um dos períodos isoladamente e estão descritos na Tabela 8.
Tabela 8 – Dados qualitativos baseados em comentários dos participantes – 2014 x 2024
- Palavra "dados" mencionada 15 - Palavra "dados" mencionada 65 vezes

vezes no relatório anual. no relatório anual.
Relevância dos - Visão limitada sobre o papel dos - Crescente relevância dos dados na
dados nos processos e na estratégia tomada de decisões e na transformação
Dados da empresa. digital.
- Dados reconhecidos como um ativo
estratégico essencial.
- Cultura majoritariamente europeia - Aquisição de uma empresa norte-

- Processos bem estabelecidos, mas americana (2015-2016).
com pouca agilidade. - Combinação de práticas europeias e
norte-americanas (melhor dos dois
Mudanças mundos).
- Agilidade nos processos e adoção
Organizacionais rápida de tecnologias cloud.
e Culturais - Amadurecimento da governança de
dados.
- Resistência na adoção de alguns
processos longos, porém necessários
que garantem o uso responsável dos
dados.
- Somente uma ferramenta analítica - Estrutura de governança de dados

(SAP Business Warehouse). expandida em múltiplas áreas.
- Gestão de dados centralizada em - Equipe com 250 pessoas, todas
um único time de aproximadamente reportando a um único diretor de Data &
10-15 pessoas. Analytics.
Governança de - Desenvolvimento e colaboração - Diversificação das ferramentas
extremamente descentralizados, utilizadas (SAP, Microsoft, Cognos, Qlik
Dados com cada domínio seguindo sua etc.)
própria estratégia. - Benefícios em termos de possibilidades
e capacidade analítica
- Desafios relacionados à organização,
integração de dados e ferramentas, e
qualidade dos dados.
Empoderament
- Áreas de negócio dependiam - Implementação do programa de “Citizen
o exclusivamente da TI para realizar Development”.
18
análises. - Relatórios gerados por usuários com

- Uso de extrações manuais para dados diretamente do sistema.
Excel. - Desafios quanto a democratização do
acesso aos dados.
- Desafios incluem educar os usuários
sobre onde e como acessar os dados.
- Resistência interna em compartilhar
dados com a organização.

A Governança de dados foi a dimensão que mais amadureceu desde 2014, obtendo
a avaliação máxima em 2024. Conforme os dados qualitativos, compreende-se que a
expansão da estrutura de governança de dados em múltiplas áreas especializadas
contribuiu para esse amadurecimento, de acordo com o DMBOK (2017), envolve a
estruturação e a execução de um conjunto de práticas de gerenciamento de dados
baseadas em áreas de conhecimento específicas. Estas áreas incluem Governança de
Dados, Arquitetura de Dados, Modelagem e Design de Dados, Armazenamento e
Operações de Dados, Segurança de Dados, Integração e Interoperabilidade de Dados,
Gestão de Documentos e Conteúdo, Dados de Referência e Mestre, Qualidade de Dados, e
Gestão de Metadados. Além disso, o crescimento do time centralizado de aproximadamente
10 especialistas, em uma estrutura robusta composta por mais de 200 especialistas foi outro
fator determinante para o amadurecimento, uma vez que uma estrutura bem-definida facilita
a criação de um modelo operacional confiável que articula claramente os papéis,
responsabilidades e processos de tomada de decisão dentro da organização. Isso é
essencial para assegurar a responsabilidade e a representação adequada das funções
necessárias dentro da organização, promovendo uma comunicação eficaz e um processo
eficiente para resolver questões conforme (DMBOK, 2017).
Em segundo e terceiro lugar, estão as dimensões de Cultura e Qualidade, que em
comparação com 2014, tiveram uma transformação disparada. No entanto, considerando os
dados qualitativos e quantitativos de 2024, a Cultura parece estar bem estabelecida
enquanto a Qualidade dos dados é um assunto mais delicado que demanda atenção. O
estabelecimento da cultura de dados, parece ter relação com a relevância que a
organização passou a dar para os dados na última década. A mudança de cultura
organizacional oriunda do processo de M&A e a adoção de programas de empoderamento,
estabeleceram maior autonomia e poder para que membros da organização em termos de
coleta, modelagem e análise de dados com muita mais independência que 10 anos atrás,
uma vez que segundo o DMBOK (2017), o empoderamento de analistas e cientistas de
dados é facilitado por uma combinação de treinamento, ferramentas avançadas, ambientes
de nuvem, modelagem analítica, e governança de dados, garantindo que eles tenham os
19
recursos e o suporte necessário para extrair o máximo valor dos dados. Já a variação da
dimensão de qualidade dos dados aparenta ser consequência de outras medidas tomadas
indiretamente, já que não foram registradas evidências de medidas específicas a este
processo, o que merece por uma atenção especial, já que possui potencial para a aplicação
de novas medidas estratégicas, uma vez que, o DMBOK (2017) menciona que o
monitoramento e a manutenção da qualidade de dados envolvem a definição de regras de
qualidade, medição contínua, diagnóstico e resolução de problemas, além de relatórios e
análises de qualidade, utilizando ferramentas de perfilamento e repositórios de metadados,
e são estes processos que garantem que os dados permaneçam precisos, completos e
utilizáveis para suportar as operações e decisões estratégicas da organização.
Dentre as dimensões que resultaram numa alta variação, vale o destaque referente
ao tema de Processamento de Dados e ferramentas, no que foi evidenciado claramente a
partir dos dados qualitativos, que a adoção da empresa pela variedade de novas
ferramentas e processos distribuídos e sob responsabilidade de times especializados foi
para o amadurecimento, isso por que a criação de um modelo operacional confiável facilita a
comunicação e a resolução de problemas, além de assegurar que todas as funções
necessárias estejam representadas na organização. Ferramentas como glossários de
negócios, ferramentas de fluxo de trabalho, ferramentas de gestão de documentos e
scorecards (cartões de avaliação) de governança de dados são essenciais para apoiar
esses processos e garantir a eficiência e a segurança na gestão dos dados. Além disso, um
modelo bem definido, ajuda a criar responsabilidade e consistência nas práticas de
gerenciamento de dados, o que é crucial para a integridade e a qualidade dos dados
(DMBOK, 2017).
Das dimensões que não tiveram variação ou foram muito baixas, compreendeu-se
que especialmente a dimensão de Liderança tem potencial para tomada de novas medidas,
uma vez que a mesma ainda possui avaliação abaixo de 70% em 2024 e é um dos
principais pilares para o sucesso de uma estratégia de dados. Para Mircoff (2018) é vital
reconhecer que uma organização não integrará com sucesso agendas analíticas e de Big
Data sem primeiro abordar os seus valores de liderança e cultura organizacional. Para
explorar verdadeiramente o potencial não realizado que os Big Data e o analytics têm para
oferecer, os líderes devem verificar se deram prioridade à concepção de uma organização
baseada na capacitação dos funcionários, na transparência e na receptividade à resolução
de problemas e ao pensamento inovadores.
Vale observar que o Uso responsável dos dados sofreu negativamente entre os anos
avaliados, possivelmente por conta do choque cultural após a integração da empresa
adquirida, uma vez que os dados qualitativos apontaram tais indícios de que processos
20
antes estabelecidos sofreram resistência de adoção e ainda alguns deles foram

obsoletados, reduzindo a percepção da organização quanto a responsabilidade de uso.
Conforme constatado anteriormente, a análise dos dados demonstrou um padrão
que indica que dimensões que possuem pior avaliação, tendem a ser as que possuem maior
potencial de amadurecimento através de novas medidas. Desta forma, em vista de
identificar quais as dimensões possuem potencial para aplicação de novas medidas, a
Tabela 7 foi sutilmente alterada, isolando o ano de 2024 e ordenando-o de modo crescente,
conforme Tabela 8.
Tabela 8 – Potenciais dimensões a serem amadurecidas (consolidado) – 2024
Ferramenta Dimensão 2024 Variação
PwC Arquitetura de Dados e Qualidade 50,00% 16,67%
Data.org Uso Responsável 53,00% -19,00%
Data.org Qualidade 63,00% 46,00%
Data.org Análise 63,00% 25,00%
Data.org Liderança 63,00% 0,00%
PwC Processamento de Dados e Ferramentas 66,67% 33,33%
PwC Cultura e Pessoas 66,67% 16,67%
Data.org Pessoas 71,00% 27,00%
Data.org Cultura 75,00% 56,00%
Data.org Talento 75,00% 25,00%
Data.org Estratégia 75,00% 8,00%
Data.org Segurança 90,00% 0,00%
PwC Governança de Dados 100,00% 66,67%
Data.org Infraestrutura 100,00% 20,00%
PwC Segurança de Dados e Privacidade 100,00% 16,67%
A partir da reestruturação da tabela, percebeu-se que atualmente, há pelo menos

sete dimensões que ainda possuem baixo nível de maturidade, entretanto há pelos menos
três delas que não tiveram variações significantes durante os últimos 10 anos, o que indicou
o grau de urgência para que medidas sejam tomadas nestas dimensões, priorizando-as
21
dentre as outras sete, sendo elas: Arquitetura de Dados e Qualidade, Uso Responsável, e
Liderança.
O estudo de caso se propôs compreender a evolução de maturidade em dados da
empresa nos últimos 10 anos, auxiliando na escolha de novas medidas, e uma vez que a
análise de dados quantitativos permitiu priorizar três dimensões, foram utilizados dados
qualitativos e contextuais para isolar dentre estas, a dimensão prioritária. Estes mostraram
que ainda que a governança de dados atingiu um alto grado de maturidade, existem
dificuldades significativas com relação a integração de dados entre sistemas e plataformas,
o que foi considerado um risco para a estratégia de dados, por exemplo conforme a
necessidade da integração com o CATENA-X. Desta forma, considerando tais informações,
o estudo concluiu que novas medidas devem ser seguidas em direção do amadurecimento
da Arquitetura de dados e Qualidade, em especial devido o contexto técnico, através da
implementação de uma arquitetura federativa, a qual possui uma abordagem que evita os
custos e complexidade associados à consolidação física de dados, permitindo que as
organizações mantenham seus sistemas de dados existentes enquanto ainda se beneficiam
de uma integração completa (SAYOGO et al., 2015). Ainda, uma arquitetura federativa
respeita a soberania de dados, pois estes permanecem sob o controle das respectivas
entidades que os geram e mantêm, alinhando-se aos princípios que sustentam o CATENA X
(KRAUS et al., 2013).
22
Considerações Finais
O estudo de caso se mostrou funcional, uma vez que atendeu o objetivo central de
compreender a evolução da maturidade da empresa nos últimos 10 anos, a partir de dados
quantitativos e qualitativos e ainda sugerir as próximas medidas a serem tomadas.
Vale ressaltar, que para fins didáticos, foi utilizado o recurso de autoavaliação de
maturidade em dados, uma vez que o pesquisador não teve acesso às avaliações reais. No
caso de reprodução do método de coleta de dados desta pesquisa, recomenda-se
fortemente a contratação de empresas especializadas em avaliação de maturidade para
realizar a coleta dos dados.
Por fim, o estudo reforçou a relevância que os dados tomaram nos últimos anos e
tendem tomar cada vez mais, tal como a importância em implementar uma governança de
dados robusta, que siga os principais conceitos previstos na literatura, e sob tudo impulsione
a cultura de dados dentro da organização.
Agradecimento
Agradeço meus pais Valter e Neusa, por todo o apoio e dedicação, minha irmã
Mariana Domitila, por embarcar comigo nesta jornada acadêmica, e minha esposa Larissa
Baptista Martins por sempre me incentivar a correr atrás dos meus sonhos e objetivos.
23
Referências
ALVES, M. F. (2021). Pandemia da COVID-19 e Teletrabalho: os Principais Direitos e

Desafios. Revista de Ciências Jurídicas e Empresariais. Disponível em:
<https://doi.org/10.17921/2448-2129.2021v22n1p07-11>. Acesso em: 31 mai. 2024.
CIURIAK, Dan. Rethinking Industrial Policy for the Data-Driven Economy. SSRN 2018.
Disponível em: <http://dx.doi.org/10.2139/ssrn.3223072>. Acesso em: 30 mai. 2024.
DATA.ORG. Data Maturity Assessment. Disponível em: <https://data.org/dma/>. Acesso em:

20 abr. 2024.
DAVENPORT, T. H. Big Data at Work: Dispelling the Myths, Uncovering the Opportunities.
Boston: Harvard Business Review Press, 2014.
DÍAZ, A.; Rowshankish, K.; Saleh, T. Why Data Culture Matters. McKinsey Quarterly, 2018.
Disponível em:
<https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey
%20Analytics/Our%20Insights/Why%20data%20culture%20matters/Why-data-culture-
matters.ashx>. Acesso em: 22 mai. 2024.
DMBOK, Dama. Data Management Body of Knowledge. 2nd ed. Technics Publications,
2017.
Dataflux Corporation. DataFlux Data Management Solutions. Disponível em:

<https://www.dataflux.com>. Acesso em: 31 mai. 2024.
ELDEM, B., KLUCZEK, A., & BAGINSKI, J. P. (2022). The COVID-19 Impact on Supply
Chain Operations of Automotive Industry: A Case Study of Sustainability 4.0 Based on
Sense–Adapt–Transform Framework. Sustainability. Disponível em:
<https://www.mdpi.com/2071-1050/14/10/5855/pdf?version=1652339743>. Acesso em: 28
mai. 2024.
GABRIEL, Martha. Inteligência Artificial do Zero ao Metaverso. Rio de Janeiro: Atlas, 2022.
GABRIEL, Martha. Você, eu e os robôs – Pequeno manual do mundo digital. Rio de Janeiro:
Atlas, 2020.
GOOGLE. Deloitte. Data Maturity Benchmark. Disponível em:

<https://digitalmaturitybenchmark.withgoogle.com>. Acesso em: 21 abr. 2024.
HANNILA, Hannu. Towards data-driven decision-making in product portfolio management:

from company-level to product-level analysis. Ebook, 2019. Disponível em:
<https://oulurepo.oulu.fi/handle/10024/36414>. Acesso em: 23 mai. 2024.
HARGUETTE, T. M. F. Metodologias qualitativas na sociologia. 8 ed. Petrópolis: Vozes,

2001.
24
HARRIS, Jeanne G.; DAVENPORT, Thomas H. Competing on Analytics: Updated, with a

New Introduction (Updated, with a New Introduction: The New Science of Winning). Boston:
Harvard Business Review, 2017.
ISACA. COBIT 2019 Framework: Governance and Management Objectives. ISACA, 2018.
ISBN 9781604206591.
KITZINGER, J. Focus groups with users and providers of health care. In: Pope, C.; Mays, N.
(Org.). Qualitative research in health care. 2. ed. London: BMJ Books, 2000.
KOTLER, P.; Kartajaya, H.; Setiawan, I. Marketing 4.0: do tradicional ao digital. 1ª edição.
Rio de Janeiro: Sextante, 2017.
KRAUS, T., d'ANGELO, P., SCHNEIDER, M., & GSTAIGER, V. (2013). The Fully Automatic
Optical Processing System CATENA at DLR. Disponível em: <https://typeset.io/papers/the-
fully-automatic-optical-processing-system-catena-at-dlr-3flaiw847g?>. Acesso em: 22 mai.
2024.
LANGLOIS, R. N. The Dynamics of Industrial Capitalism: Schumpeter, Chandler, and the

New Economy. Industrial and Corporate Change, 2023.
LLORENTE, J. A. A Transformação Digital. Revista Uno, 24. 2016. Disponível em:

<https://www.revista-uno.com.br/wp-content/uploads/2013/09/160520_UNO24_BR.pdf>.
Acesso em: 28 mai. 2024.
MARTINS, G.A. 2008. Estudo de caso: uma reflexão sobre a aplicabilidade em pesquisas no
Brasil. Revista de Contabilidade e Organizações. Volume 2. Número 2. 8-18. Disponível em:
<https://doi.org/10.11606/rco.v2i2.34702>. Acesso em: 31 mai. 2024.
MIRCOFF, Elena. (2018). Leadership in Healthcare and Public Health. Pressbooks.

Disponível em: <https://ohiostate.pressbooks.pub/pubhhmp6615/chapter/leaders-role-to-
create-organizational-culture-that-embraces-big-data-and-data-analytics/>. Acesso em: 22
mai. 2024.
OCDE. A Caminho da Era Digital no Brasil. OECD, Paris, 2020. Disponível em:
<https://doi.org/10.1787/45a84b29-pt>. Acesso em: 29 mai. 2024.
PWC. Data & Analytics Assessment. Disponível em: <https://www.pwc.ch/en/insights/data-

analytics/data-strategy-assessments.html>. Acesso em: 22 abr. 2024.
RODRIGUES, Adriana; NÓBREGA, Emeide; DIAS, Guilherme. Desafios da Gestão de

Dados na Era do Big Data: Perspectivas Profissionais. Universidade Federal da Paraíba –
UFPB, 2017. Disponível em:
<https://pdfs.semanticscholar.org/f713/ae00dd296f68555de553decbca99acb81338.pdf>.
Acesso em: 22 mai. 2024.
25
ROGERS, David L. Transformação Digital: Repensando o seu negócio na Era Digital. São
Paulo: Autêntica Business, 2017.
SAYOGO, D. S., ZHANG, J., LUNA-REYES, L. F., JARMAN, H., Tayi, G. K., ANDERSEN, D.
L., PARDO, T. A., & ANDERSEN, D. F. (2015). Challenges and requirements for developing
data architecture supporting integration of sustainable supply chains. Disponível em:
<https://typeset.io/papers/challenges-and-requirements-for-developing-data-architecture-
3zc82l0v6i?>. Acesso em: 23 mai. 2024.
STAKE, R. Estudos de caso em pesquisa e avaliação educacional. Educação e seleção, n.7,

p. 5-14, 2013.
THOMSON, Robert; ANDERSON, Julia. Data Governance in the Digital Age: Master Data
Management Solutions. Jackson University, Mississippi, 2020. Disponível em:
<https://mzjournal.com/index.php/MZJAI/article/view/13/10>. Acesso em: 23 mai. 2024.
WAGNER, J.A.; HOLLENBECK, J. R. Comportamento organizacional – criando vantagem

competitiva. São Paulo: 2020.
WEN, W., YANG, S., ZHOU, P., & GAO, S. (2021). Impacts of COVID-19 on the electric
vehicle industry: Evidence from China. Renewable & Sustainable Energy Reviews, 144,
111024. Disponível em: <https://doi.org/10.1016/j.rser.2021.111024>. Acesso em: 29 mai.
2024.
WU, X., ZHANG, C., & DU, W. (2021). An Analysis on the Crisis of “Chips shortage” in
Automobile Industry - Based on the Double Influence of COVID-19 and Trade Friction.
Journal of Physics: Conference Series, 1971, 012100. Disponível em:
<https://iopscience.iop.org/article/10.1088/1742-6596/1971/1/012100>. Acesso em: 31 mai.
2024.
26
Anexos
Anexo 1 – “Data Maturity Benchmark” (Google & Deloitte) – 2014 x 2024
Fonte: Data Maturity Benchmark (2024)
27
Anexo 2 – “PwC Data & Analytics Assessement” (PwC) – 2014 x 2024

Fonte: PwC Data & Analytics Assessement (2024)
28
Anexo 3 – “Data Maturity Assessment” (Data.org) – 2014 x 2024 – Parte 1
29
Anexo 4 – “Data Maturity Assessment” (Data.org) – 2014 x 2024 – Parte 2
30

Governança e Cultura de Dados (06-2024)

Enviado por

Direitos autorais:

Formatos disponíveis

Governança e Cultura de Dados (06-2024)

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Governança e Cultura de Dados (06-2024)

Enviado por

Direitos autorais:

Formatos disponíveis

Trabalho apresentado para obtenção do título de especialista em

Gestão e Transformação Digital – 2024

Governança e Cultura de Dados de uma empresa automotiva: evolução dos últimos 10

Nícolas Estevan Padovani Martins¹*; Bruno de Lima Santoro2

Governança e Cultura de Dados de uma empresa automotiva: evolução dos últimos 10

O presente artigo investigou a evolução da maturidade em dados e governança de

Palavras-chave: Transformação digital. Maturidade em dados. Qualidade de Dados.

This article investigated the evolution of data maturity and governance in an

Keywords: Digital transformation. Data maturity. Data quality. Emerging technologies.

Os principais temas abordados neste artigo, foram brevemente contextualizados, e

Nos últimos dez anos, as empresas de fornecimento automotivo enfrentaram uma

2021). Além disso, o surgimento de novos competidores e a necessidade de investimentos

materiais disponíveis na literatura acerca do assunto. A prática de examinar dados

suprimentos resilientes e competir globalmente enquanto garante uma gestão assertiva e

Tabela 1 – Classificação do “Data Maturity Benchmark” (Google & Deloitte)

Possui ferramentas básicas, mas enfrenta desafios culturais para

A tomada de decisão é baseada em dados, e é padrão em grande

Vê os dados como parte integrante do alcance de seus objetivos

Fonte: Data Maturity Benchmark (2024)

Figura 1 – Estratégia de Dados da PwC

Fonte: PwC Data & Analytics Assessement (2024)

A ferramenta Data Maturity Assessment da Data.org, é a mais completa de todas

Tabela 2 – Classificação do “Data Maturity Assessment” (Data.org)

1–2 Começou a jornada de dado e está pronta para estabelecer

4–6 Usa os dados de maneira eficaz para causar impacto e cumprir

6–8 Prática de dados está estabelecida, com impacto claramente

Fonte: Data.org (2024)

A terceira etapa deste estudo de caso constituiu em coletar os dados qualitativos e

Todos os participantes foram informados sobre a coleta de dados quantitativos

Tabela 3 – Perfis dos participantes selecionados

Brasileira. Desde 1997 na empresa. Especialista SAP (ECC/ERP,

Europeu. Desde 2006 na empresa. Especialista SAP (BW,

Supervisor de TI Europeu. Desde 2009 na empresa. Especialista SAP (BW, BPC,

Gerente de TI Indiano. Desde 2009 na empresa. Especialista SAP (BW, BPC,

Fonte: Criado pelo autor (2024)

As sessões foram divididas em dois momentos, sendo os primeiros 30 minutos

Tabela 4 - “Data Maturity Benchmark” (Google & Deloitte) – 2014 x 2024

Fonte: Criado pelo autor (2024)

Tabela 5 - “PwC Data & Analytics Assessement” (PwC) – 2014 x 2024

Cultura e Pessoas 1.5 2.0

Segurança de Dados e Privacidade 2.5 3.0

Arquitetura de Dados e Qualidade 1.0 1.5

Governança de Dados 1.0 3

Fonte: Criado pelo autor (2024)

Tabela 6 - “Data Maturiry Assessment” (Data.org) – 2014 x 2024

Qualidade 1.7 6.3

Liderança 6.3 6.3

Fonte: Criado pelo autor (2024)

Tabela 7 – Variação dos dados quantitativos (consolidado) – 2014 x 2024

Para compreender os fenômenos que contribuíram para os principais fatores

durante a realização das sessões, baseados em comentários e fatos relatados pelos

Tabela 8 – Dados qualitativos baseados em comentários dos participantes – 2014 x 2024

Dimensões 2014 2024

- Palavra "dados" mencionada 15 - Palavra "dados" mencionada 65 vezes

- Cultura majoritariamente europeia - Aquisição de uma empresa norte-

- Somente uma ferramenta analítica - Estrutura de governança de dados

análises. - Relatórios gerados por usuários com

Fonte: Criado pelo autor (2024)

antes estabelecidos sofreram resistência de adoção e ainda alguns deles foram

Tabela 8 – Potenciais dimensões a serem amadurecidas (consolidado) – 2024